来源：期刊VIP网 时间：
作者：江娜;彭麟童;
单位：兰州交通大学自动化与电气工程学院;
摘要：针对遥感影像中的道路目标尺寸差别较大带来的多尺度特征识别困难的问题，提出了一种结合多路径与高阶注意力的道路提取语义分割网络。以U-Net网络为基础，编码部分加入并行多路径网络模块，利用逐步式通道分割来获得分层特征。解码部分嵌入高阶自注意力模块恢复上采样后部分细节特征；使用像素重组与双线性插值进行双通道上采样，恢复分割细节。采用加权交叉熵和困难样本挖掘的组合损失函数，缓解类不平衡。在Massachusetts和DeepGlobe道路数据集上进行实验，与常见的语义分割模型U-Net、DeeplabV3+、PSPNet、HRNet、SegFormer等在道路提取的召回率、精确率、F1值和准确率等方面进行了对比分析。结果表明，提取效果优于对比模型，有效提高了道路提取的准确率和完整性。
关键词：道路提取;;语义分割;;像素重组;;高阶自注意力;;并行多路径
基金资助：国家自然科学基金(52162050)
